AI is transforming the practice of medicine. It’s helping doctors diagnose patients more accurately, make predictions about patients’ future health, and recommend better treatments. This Specialization will give you practical experience in applying machine learning to concrete problems in medicine.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung AI for Medicine
von
Spezialisierung AI for Medicinedeeplearning.aiÜber diesen Kurs
111,274 kürzliche Aufrufe
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 3 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
You’re comfortable with Python programming, statistics, and probability. The Deep Learning Specialization is recommended but not required.
Ca. 30 Stunden zum Abschließen
Englisch
Untertitel: Englisch
Was Sie lernen werden
Walk through examples of prognostic tasks
Apply tree-based models to estimate patient survival rates
Navigate practical challenges in medicine like missing data
Kompetenzen, die Sie erwerben
Deep LearningMachine Learningtime-to-event modelingRandom Forestmodel tuning
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 3 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
You’re comfortable with Python programming, statistics, and probability. The Deep Learning Specialization is recommended but not required.
Ca. 30 Stunden zum Abschließen
Englisch
Untertitel: Englisch
von
deeplearning.ai
Founded by Andrew Ng, deeplearning.ai is on a mission to make world-class AI education accessible to people around the globe so that we can all benefit from an AI-powered future.
Lehrplan - Was Sie in diesem Kurs lernen werden
9 Stunden zum Abschließen
Linear prognostic models
Build a linear prognostic model using logistic regression, then evaluate the model by calculating the concordance index. Finally, improve the model by adding feature interactions.
9 Stunden zum Abschließen
11 Videos (Gesamt 28 min), 4 Lektüren, 2 Quiz
11 Videos
Prerequisites and Learning Outcomes1m
Medical Prognosis2m
Examples of Prognostic Tasks2m
Atrial fibrillation2m
Liver Disease Mortality2m
Risk of heart disease2m
Risk Score Computation4m
Evaluating Prognostic Models1m
Concordant Pairs, Risk Ties, Permissible Pairs2m
C-Index3m
4 Lektüren
Connect with your mentors and fellow learners on Slack!10m
Please save your work regularly10m
About the automatic grader10m
How to refresh your workspace10m
1 praktische Übung
Week 1 Quiz30m
7 Stunden zum Abschließen
Prognosis with Tree-based models
Tune decision tree and random forest models to predict the risk of a disease. Evaluate the model performance using the c-index. Identify missing data and how it may alter the data distribution, then use imputation to fill in missing data, in order to improve model performance.
7 Stunden zum Abschließen
15 Videos (Gesamt 41 min)
15 Videos
Decision trees1m
Dividing the input space2m
Building a decision tree2m
How to fix overfitting4m
Survival Data3m
Different distributions2m
Missing Data example2m
Missing completely at random2m
Missing at random3m
Missing not at random3m
Imputation1m
Mean Imputation4m
Regression Imputation2m
Calculate Imputed Values2m
1 praktische Übung
Week 2 Quiz30m
6 Stunden zum Abschließen
Survival Models and Time
This week, you will work with data where the time that a disease occurs is a variable. Instead of predicting just the 10-year risk of a disease, you will build more flexible models that can predict the 5 year, 7 year, or 10 year risk.
6 Stunden zum Abschließen
16 Videos (Gesamt 38 min)
16 Videos
Survival Function2m
Valid survival functions3m
Collecting Time Data1m
When a stroke is not observed2m
Heart Attack Data2m
Right censoring1m
Estimating the survival function1m
Died immediately, or never die3m
Somewhere in-between1m
Using censored data1m
Chain rule of conditional probability2m
Deriving Survival2m
Calculating Probabilities from the Data3m
Comparing Estimates3m
Kaplan Meier Estimate2m
1 praktische Übung
Week 3 Quiz30m
8 Stunden zum Abschließen
Build a risk model using linear and tree-based models
This week, you will fit a linear model, and a tree-based risk model on survival data, to customize a risk score for each patient, based on their health profile. The risk score represents the patient’s relative risk of getting a particular disease. You will then evaluate each model’s performance by implementing and using a concordance index that incorporates time to event and censored data.
8 Stunden zum Abschließen
24 Videos (Gesamt 69 min), 3 Lektüren, 2 Quiz
24 Videos
Hazard3m
Survival to hazard2m
Cumulative Hazard3m
Individualized Predictions3m
Relative risk3m
Ranking patients by risk1m
Individual vs. baseline hazard2m
Smoker vs. non-smoker2m
Effect of age on hazard3m
Risk factor increase per unit increase in a variable1m
Risk Factor Increase or Decrease4m
Intro to Survival Trees4m
Survival tree5m
Nelson Aalen estimator5m
Comparing risks of patients1m
Mortality score2m
Evaluation of Survival Model3m
Permissible and Non-Permissible Pairs2m
Possible Permissible Pairs1m
Example of Harrell's C-Index3m
Example of Concordant Pairs2m
Week 4 Summary47
Congratulations!1m
3 Lektüren
Congratulations on finishing course 2!10m
Acknowledgements10m
Citations10m
1 praktische Übung
Week 4 Quiz30m
Bewertungen
Top-Bewertungen von AI FOR MEDICAL PROGNOSIS
von JD4. Juni 2020
I am a medical image analysis enthusiast. But I always wonder why I can't I combine other patient details for extending it's application. Sure this course is awesome. I really loved it !!
von BM21. Apr. 2020
This course was great and more challenging that I have expected. More focus on statistics and survival data which is important for prognosis. Course has a good flow and valuable content.
von JH1. Mai 2020
Excellent course! Real world data and robust models. Of particular value was the implementation of the SHAP feature interpretation algorithm as applied to ensemble models.
von SN18. Mai 2020
Excellent course that teaches you complex concepts in an easy to understand manner. The assignments are challenging, while at the same time teaching you advanced stuff!
Über den Spezialisierung AI for Medicine
AI is transforming the practice of medicine. It’s helping doctors diagnose patients more accurately, make predictions about patients’ future health, and recommend better treatments. This three-course Specialization will give you practical experience in applying machine learning to concrete problems in medicine.
These courses go beyond the foundations of deep learning to teach you the nuances in applying AI to medical use cases. If you are new to deep learning or want to get a deeper foundation of how neural networks work, we recommend taking the Deep Learning Specialization.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
- Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
- Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
What is the refund policy?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Is financial aid available?
Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
